Korrelation und Kausalität unterscheiden
Korrelation und Kausalität unterscheiden
Korrelation und Kausalität unterscheiden
Einleitung
Warum regnet es häufiger, wenn viele Menschen einen Regenschirm tragen? Verursachen Regenschirme Regen? Natürlich nicht. Trotzdem können zwei Dinge gleichzeitig auftreten oder sich gemeinsam verändern. Genau hier beginnt der Unterschied zwischen Korrelation und Kausalität.
In diesem Lernkurs lernst Du, statistische Zusammenhänge zu erkennen, aber nicht vorschnell als Ursache-Wirkungs-Beziehungen zu deuten. Diese Fähigkeit ist besonders wichtig, wenn Du Diagramme, Nachrichten, Werbung, Social-Media-Beiträge oder Aussagen von KI-Systemen beurteilst. Viele KI-Systeme lernen aus Daten vor allem Muster und statistische Zusammenhänge. Ein gefundenes Muster ist jedoch noch kein Beweis dafür, dass eine Sache eine andere verursacht.
Der Kurs ist für die Klasse 7 ausgelegt und kann in etwa 1–2 Unterrichtsstunden bearbeitet werden. Er verbindet Mathematik, Informatik, Deutsch, Geschichte, Ethik, Gemeinschaftskunde, Kunst und Medienbildung.
Die Abbildung zeigt verschiedene Punktwolken mit unterschiedlichen linearen Korrelationen. Schon hier wird sichtbar: Daten können sehr verschieden aussehen. Ein einzelner Zahlenwert oder eine auffällige Linie erzählt nie automatisch die ganze Geschichte.
Lernziele
Nach dem Kurs kannst Du Korrelation und Kausalität in eigenen Worten unterscheiden, Zusammenhänge in Streudiagrammen erkennen, mögliche Drittvariablen nennen, Medienaussagen kritisch prüfen und erklären, warum ein KI-Modell aus einer Vorhersage nicht automatisch eine Ursache ableiten kann. Du kannst außerdem begründete Entscheidungen treffen, wenn Daten zwar einen Zusammenhang zeigen, die Ursache aber unsicher ist.
Vorschlag für 90 Minuten Unterricht
| Phase | Zeit | Tätigkeit |
|---|---|---|
| Aktivierung und Diagnose | ca. 10 Minuten | Drei Alltagsaussagen prüfen und erste Begründungen sammeln |
| Einführung | ca. 20 Minuten | Korrelation, Kausalität, Streudiagramme und Drittvariablen verstehen |
| KI- und Medienanalyse | ca. 20 Minuten | Datenmuster, Bias, Schlagzeilen und Quellen prüfen |
| Anwendungssituation | ca. 20 Minuten | Eine schulische KI-Empfehlung bewerten und eine Entscheidung begründen |
| Interaktive Aufgaben | ca. 15 Minuten | Quiz, Zuordnungen und Lückentext |
| Reflexion und Transfer | ca. 5 Minuten | Merksatz formulieren und auf ein neues Beispiel übertragen |
Aktivierung und Diagnose
Lies die drei Aussagen. Entscheide zunächst spontan: bewiesen, möglich oder nicht ausreichend belegt? Begründe Deine Entscheidung in einem Satz.
| Aussage | Deine erste Einschätzung | Was müsstest Du noch wissen? |
|---|---|---|
| Schülerinnen und Schüler mit mehr Büchern zu Hause haben im Durchschnitt bessere Testergebnisse. Bücher verursachen also automatisch bessere Noten. | ||
| An heißen Tagen werden mehr Eisportionen verkauft und mehr Menschen bekommen Sonnenbrand. Eisessen verursacht Sonnenbrand. | ||
| In einer Lernplattform erzielen Lernende, die häufiger Übungsaufgaben öffnen, im Durchschnitt bessere Ergebnisse. Häufiges Öffnen verursacht deshalb bessere Leistungen. |
Diagnosefrage: Welche dieser Aussagen klingt zunächst überzeugend, obwohl eine andere Erklärung möglich ist? Notiere mindestens eine alternative Erklärung.
Korrelation verstehen
Eine Korrelation bedeutet, dass zwei Merkmale in den beobachteten Daten gemeinsam auftreten oder sich gemeinsam verändern. Bei einer positiven Korrelation steigen zwei Größen häufig gemeinsam. Bei einer negativen Korrelation steigt eine Größe, während die andere eher sinkt. Bei keiner oder nur sehr schwacher Korrelation ist kein deutlicher linearer Zusammenhang erkennbar.
Ein Streudiagramm stellt jedes Datenpaar als Punkt dar. Liegen die Punkte ungefähr entlang einer steigenden Linie, spricht das für eine positive lineare Korrelation. Liegen sie eher entlang einer fallenden Linie, spricht das für eine negative lineare Korrelation.
Technische Lupe: Der Korrelationskoeffizient
In höheren Klassen und in der Statistik wird häufig der Korrelationskoeffizient verwendet. Ein oft genutztes Maß ist der Pearson-Korrelationskoeffizient r. Er liegt zwischen -1 und +1. Werte nahe +1 sprechen für einen starken positiven linearen Zusammenhang, Werte nahe -1 für einen starken negativen linearen Zusammenhang und Werte nahe 0 für keinen oder nur einen schwachen linearen Zusammenhang.
Wichtig ist das Wort linear: Auch ein deutlich gebogenes Muster kann einen Korrelationswert nahe 0 haben. Deshalb solltest Du Daten nicht nur als Zahl betrachten, sondern wenn möglich auch visualisieren.
Das sogenannte Anscombe-Quartett zeigt vier Datensätze, die sehr ähnliche statistische Kennwerte besitzen, aber als Diagramme völlig unterschiedlich aussehen. Die wichtige Lektion lautet: Schau auf die Daten und nicht nur auf eine Kennzahl.
Kausalität verstehen
Kausalität bedeutet einen Ursache-Wirkungs-Zusammenhang. Wenn A tatsächlich B verursacht, dann würde eine gezielte Veränderung von A unter passenden Bedingungen eine Veränderung von B bewirken.
Ein hilfreicher Denkversuch lautet:
Wenn wir A verändern könnten und alles andere möglichst gleich bliebe, würde sich B dann ebenfalls verändern?
Diese Frage heißt vereinfacht eine kontrafaktische Frage. Sie hilft dabei, über Ursachen nachzudenken. In der echten Welt können wir jedoch oft nicht einfach alles andere gleich halten.
Warum Korrelation nicht automatisch Kausalität bedeutet
Wenn zwei Dinge korrelieren, sind mindestens mehrere Erklärungen möglich: A könnte B beeinflussen, B könnte A beeinflussen, eine dritte Größe könnte beide beeinflussen oder der beobachtete Zusammenhang könnte zufällig, verzerrt oder durch die Datenauswahl entstanden sein.
Ein klassisches Beispiel sind Eisverkauf und Sonnenbrand. Beide nehmen im Sommer zu. Daraus folgt aber nicht, dass Eis Sonnenbrand verursacht. Eine Drittvariable – hier starke Sonneneinstrahlung beziehungsweise warmes Wetter – beeinflusst beide Größen.
Das Bild verwendet ein anderes Eis-Beispiel und zeigt die Grundidee einer gemeinsamen Einflussgröße: Wenn eine dritte Variable zwei beobachtete Größen beeinflusst, kann zwischen diesen Größen eine Korrelation entstehen, ohne dass eine die andere direkt verursacht.
Das Video der Stiftung Gesundheitswissen erklärt den Unterschied anhand des Beispiels Eis und Sonnenbrand und ist als Einstieg für die Sekundarstufe geeignet.
Drittvariablen und Konfundierung
Eine Drittvariable ist eine weitere Größe, die einen beobachteten Zusammenhang erklären oder verändern kann. In der Wissenschaft spricht man häufig von einer Störvariable oder einem Konfounder. Werden Einflüsse verschiedener Variablen vermischt, nennt man das Konfundierung.
Beispiel: Eine Klasse stellt fest, dass Lernende, die länger für Hausaufgaben brauchen, häufig schlechtere Testergebnisse haben. Daraus folgt nicht, dass langes Arbeiten schlechte Noten verursacht. Vielleicht benötigen Schülerinnen und Schüler bei schwierigen Themen mehr Zeit. Dann beeinflusst der Schwierigkeitsgrad sowohl die Arbeitszeit als auch das Ergebnis.
Wie kann man Kausalität besser prüfen?
Kausalität lässt sich meist nicht durch eine einzelne Zahl beweisen. Wissenschaftlerinnen und Wissenschaftler verbinden unterschiedliche Hinweise.
| Prüffrage | Bedeutung |
|---|---|
| Kommt die vermutete Ursache zeitlich vor der Wirkung? | Eine Wirkung kann normalerweise nicht ihre eigene frühere Ursache sein. |
| Gibt es eine plausible Erklärung für den Mechanismus? | Man sollte erklären können, wie die Ursache die Wirkung beeinflussen könnte. |
| Gibt es alternative Erklärungen? | Drittvariablen, Zufall und Messfehler müssen geprüft werden. |
| Wurde ein geeignetes Experiment durchgeführt? | Kontrollierte und möglichst zufällige Zuteilung kann Unterschiede zwischen Gruppen verringern. |
| Wurde der Befund wiederholt? | Wiederholte Ergebnisse in unterschiedlichen Situationen erhöhen die Glaubwürdigkeit. |
| Passt die Stärke der Aussage zur Stärke der Belege? | Aus Beobachtungsdaten sollte man nicht vorschnell eine sichere Ursache behaupten. |
Ein Experiment kann starke Hinweise auf Kausalität liefern, wenn eine Variable gezielt verändert wird und andere Einflüsse möglichst kontrolliert werden. Experimente sind aber nicht immer möglich oder ethisch vertretbar. Man darf zum Beispiel keine schädliche Behandlung absichtlich an Menschen testen, nur um eine Ursache zu beweisen.
Das deutschsprachige Khan-Academy-Video vertieft, warum Korrelation nicht gleich Kausalität ist.
Korrelation, Kausalität und Künstliche Intelligenz
Viele Systeme des maschinellen Lernens werden mit Beispieldaten trainiert. Sie suchen darin Muster, mit denen sie neue Eingaben einordnen oder Vorhersagen treffen können. Ein Modell kann zum Beispiel lernen, dass bestimmte Merkmale häufig gemeinsam mit einem bestimmten Ergebnis auftreten.
Vereinfacht besteht ein maschineller Lernprozess aus Daten, Aufbereitung, Modellierung, Auswertung und Überprüfung. Entscheidend ist: Das Modell lernt aus den Daten, die es erhält. Sind diese Daten unvollständig oder verzerrt, können auch die Vorhersagen verzerrt sein.
Eine KI kann sehr gut darin sein, aus bekannten Mustern eine Vorhersage zu machen. Eine gute Vorhersage beantwortet aber nicht automatisch die Frage Warum passiert das?
Beispiel: Ein KI-System erkennt, dass Schülerinnen und Schüler, die sich sehr spät in eine Lernplattform einloggen, im Durchschnitt schlechtere Testergebnisse haben. Daraus darf das System nicht ohne weitere Prüfung schließen: Spätes Einloggen verursacht schlechtere Leistungen.
Mögliche andere Erklärungen wären eine hohe Arbeitsbelastung, Krankheit, geteilte Geräte in der Familie, außerschulische Verpflichtungen, schwierige Aufgaben oder dass Lernende gerade wegen ihrer Schwierigkeiten besonders lange online sind.
Zentrale KI-Kompetenz: Muster erkennen, Ursache prüfen
Eine wichtige KI-Kompetenz lautet:
Behandle eine KI-Vorhersage als Hinweis, nicht als Ursachenbeweis.
Wenn ein KI-System einen Zusammenhang meldet, kannst Du mit vier Fragen arbeiten:
| Schritt | Leitfrage |
|---|---|
| Muster | Welche Größen hängen in den Daten zusammen? |
| Daten | Woher stammen die Daten und wer fehlt vielleicht? |
| Alternativen | Welche anderen Ursachen oder Drittvariablen sind möglich? |
| Entscheidung | Welche Handlung ist trotz Unsicherheit fair, sicher und begründbar? |
So behältst Du Human Agency: Die KI liefert Informationen oder Vorschläge, aber Menschen prüfen die Belege, bedenken Folgen, widersprechen bei Bedarf und übernehmen Verantwortung für Entscheidungen.
Bias und faire Entscheidungen
Bias bedeutet in diesem Zusammenhang eine systematische Verzerrung. Verzerrungen können schon entstehen, bevor ein KI-Modell trainiert wird.
| Form von Bias | Beispiel | Kritische Frage |
|---|---|---|
| Auswahlbias | Es wurden nur Daten besonders aktiver Nutzerinnen und Nutzer gesammelt. | Wer fehlt in den Daten? |
| Messbias | Lernzeit wird nur über geöffnete Webseiten gemessen. | Misst die Zahl wirklich das, was behauptet wird? |
| Bestätigungsbias | Man sucht bevorzugt Beispiele, die zur eigenen Vermutung passen. | Wurden widersprechende Daten ebenfalls betrachtet? |
| Darstellungsbias | Ein Diagramm beginnt seine Achse so, dass kleine Unterschiede riesig wirken. | Erzeugt die Gestaltung einen falschen Eindruck? |
Eine faire Entscheidung fragt deshalb nicht nur: Ist die Vorhersage genau? Sie fragt auch: Wer könnte durch diese Entscheidung benachteiligt werden? Welche Daten fehlen? Kann die Entscheidung überprüft und korrigiert werden?
Medienanalyse und Quellenkritik
Aussagen über Ursachen sind besonders überzeugend, wenn sie stark formuliert sind. Genau deshalb musst Du auf Sprache achten.
| Formulierung | Was sie nahelegt | Kritische Bewertung |
|---|---|---|
| hängt zusammen mit | Korrelation | vorsichtige Aussage |
| tritt häufiger gemeinsam auf mit | Korrelation | beschreibt Beobachtung |
| führt zu | Kausalität | benötigt stärkere Belege |
| verursacht | Kausalität | starke Ursachenbehauptung |
| beweist | sehr starke Sicherheit | nur bei wirklich überzeugender Evidenz angemessen |
In Deutsch kannst Du untersuchen, wie Wörter Ursache vortäuschen oder Unsicherheit sichtbar machen. In Medienbildung prüfst Du zusätzlich Überschrift, Grafik, Quelle, Datenauswahl und Interessen der Veröffentlichenden.
Der Quellencheck in sieben Fragen
- Quelle: Wer hat die Daten erhoben oder die Aussage veröffentlicht?
- Stichprobe: Wie viele Fälle wurden untersucht und sind sie für die Frage passend?
- Messung: Wie wurden die Merkmale gemessen?
- Vergleich: Gibt es eine sinnvolle Vergleichsgruppe?
- Drittvariable: Welche anderen Einflussfaktoren wurden berücksichtigt?
- Darstellung: Ist die Grafik vollständig oder werden Achsen, Zeiträume oder Gruppen weggelassen?
- Sprache: Wird aus einem Zusammenhang sprachlich eine Ursache gemacht?
Realistische Anwendungssituation: Soll die Schule einer KI-Empfehlung folgen?
Eine Schule testet ein System, das Lernaktivitäten auswertet. In den vorhandenen Daten findet das System folgende Beziehung:
| Gruppe | Durchschnittliches Ergebnis im nächsten Kurztest |
|---|---|
| selten nach 21 Uhr eingeloggt | 78 Prozent |
| manchmal nach 21 Uhr eingeloggt | 72 Prozent |
| häufig nach 21 Uhr eingeloggt | 65 Prozent |
Das System schlägt vor: Konten von Schülerinnen und Schülern sollten nach 21 Uhr automatisch gesperrt werden, weil spätes Lernen schlechtere Leistungen verursacht.
Auftrag: Prüfen, entscheiden, begründen
Arbeite in einer kleinen Gruppe. Trennt zuerst Beobachtung und Behauptung. Die Daten zeigen eine Korrelation zwischen spätem Login und Testergebnis. Die Aussage, spätes Lernen verursache die schlechteren Ergebnisse, geht darüber hinaus.
Prüft dann mindestens drei mögliche Drittvariablen. Denkbar sind etwa familiäre Pflichten, Training oder Musikunterricht am Nachmittag, gemeinsamer Gerätezugang, Krankheit, besonders schwierige Aufgaben oder ein unterschiedliches Lerntempo.
Entscheidet anschließend, ob die Schule die automatische Sperre einführen sollte. Formuliert ein begründetes Urteil mit mindestens einem Datenargument, einer Unsicherheit und einer Fairnessüberlegung.
Eine gute Entscheidung könnte zum Beispiel lauten: Die vorhandenen Daten reichen nicht aus, um eine Sperre als wirksame Maßnahme zu begründen. Zuerst sollten Ursachen besser untersucht und Unterstützungsangebote getestet werden.
Wichtig ist nicht, dass jede Gruppe exakt dieselbe Entscheidung trifft. Entscheidend ist, dass Ihr Belege, Unsicherheiten und mögliche Folgen sichtbar macht.
Fächerübergreifende Bezüge
| Fach | Verbindung zum Thema | Mögliche Tätigkeit |
|---|---|---|
| Mathematik | Daten, Streudiagramme, Korrelation | Punktwolken vergleichen und Muster beschreiben |
| Informatik | Maschinelles Lernen, Trainingsdaten, Vorhersagen | prüfen, welche Merkmale ein Modell nutzt und was daraus nicht folgt |
| Deutsch | Sprache von Behauptungen | Überschriften von korrelativ zu kausal unterscheiden und umformulieren |
| Geschichte | Mehrere Ursachen historischer Ereignisse | monokausale Erklärungen erkennen und konkurrierende Faktoren vergleichen |
| Ethik | Fairness, Verantwortung, Folgen | begründen, wann eine datenbasierte Entscheidung unfair sein kann |
| Gemeinschaftskunde | politische Entscheidungen und Statistiken | prüfen, ob aus gesellschaftlichen Daten zu starke Ursache-Wirkungs-Aussagen abgeleitet werden |
| Kunst | visuelle Gestaltung von Daten | Diagramme so gestalten, dass sie weder täuschen noch wichtige Informationen verstecken |
| Medienbildung | Quellenkritik, Manipulation, Clickbait | eine Schlagzeile und das zugrunde liegende Diagramm gegeneinander prüfen |
Typische Fehlvorstellungen
| Fehlvorstellung | Korrektur |
|---|---|
| Eine starke Korrelation beweist eine Ursache. | Eine starke Korrelation zeigt einen starken statistischen Zusammenhang, aber nicht automatisch Ursache und Wirkung. |
| Wenn A vor B passiert, verursacht A automatisch B. | Zeitliche Reihenfolge ist wichtig, reicht aber allein nicht aus. |
| Wenn eine KI sehr genau vorhersagt, versteht sie die Ursache. | Hohe Vorhersagegenauigkeit kann auf stabilen Mustern beruhen, ohne den Mechanismus zu erklären. |
| Mehr Daten lösen jedes Problem. | Mehr verzerrte Daten können eine Verzerrung sogar stabilisieren. |
| Ein Diagramm ist objektiv. | Auswahl, Achsen, Farben, Ausschnitt und Beschriftung beeinflussen die Wirkung einer Darstellung. |
Vertiefung: Gleiche Kennzahl, anderes Bild
Die Grafik des Anscombe-Quartetts zeigt eine besonders wichtige Form der Quellenkritik: Mehrere Datensätze können ähnliche Mittelwerte und ähnliche lineare Kennzahlen besitzen und trotzdem völlig unterschiedliche Strukturen zeigen. Deshalb gehören Zahlenwert und Visualisierung zusammen.
Für Fortgeschrittene gilt außerdem: Eine Korrelation kann sich ändern, wenn Daten nach Gruppen getrennt oder zusammengefasst werden. Solche Effekte zeigen, wie vorsichtig man bei zusammengefassten Statistiken sein muss.
Das Video des studentischen eLearning-Projekts der Goethe-Universität Frankfurt vertieft Korrelation, Kausalität, ausgelassene Variablen und umgekehrte Kausalität.
Selbstkontrolle, Reflexion und Transfer
Bevor Du zu den interaktiven Aufgaben gehst, versuche diesen Satz ohne Hilfe zu vervollständigen:
Eine Korrelation sagt mir ..., aber um Kausalität zu behaupten, muss ich zusätzlich ... prüfen.
Übertrage die Idee anschließend auf ein neues Beispiel: Menschen, die einen Fahrradhelm tragen, werden in Krankenhausdaten häufiger nach Fahrradunfällen erfasst. Bedeutet das, dass Helme Unfälle verursachen? Welche Informationen fehlen?
Interaktive Aufgaben
Quiz: Teste Dein Wissen
An heißen Tagen steigen Eisverkauf und Sonnenbrandfälle. Welche Schlussfolgerung ist am besten begründet? (Beide Größen können durch warmes sonniges Wetter beeinflusst werden) (!Eisessen verursacht Sonnenbrand) (!Sonnenbrand verursacht Eisverkauf) (!Die Daten beweisen eine direkte Ursache)
Eine Lern-App findet: Wer mehr Übungsseiten öffnet, erreicht häufig bessere Ergebnisse. Was ist die vorsichtigste Aussage? (Es besteht ein beobachteter Zusammenhang) (!Das Öffnen vieler Seiten verursacht sicher bessere Noten) (!Bessere Noten verursachen immer mehr geöffnete Seiten) (!Die Daten enthalten keine Unsicherheit)
Welche Beobachtung spricht allein noch nicht für Kausalität? (Zwei Größen verändern sich häufig gemeinsam) (!Eine vermutete Ursache tritt vor der Wirkung auf) (!Alternative Erklärungen wurden gezielt geprüft) (!Ein kontrolliertes Experiment zeigt einen wiederholbaren Effekt)
Eine KI sagt ein Ergebnis sehr genau voraus. Was folgt daraus nicht automatisch? (Die KI kennt die Ursache des Ergebnisses) (!Die KI hat statistische Muster genutzt) (!Die Vorhersage kann geprüft werden) (!Die Trainingsdaten sind für die Bewertung wichtig)
Was ist eine Drittvariable? (Eine weitere Größe, die zwei beobachtete Merkmale beeinflussen kann) (!Eine zweite Bezeichnung für den Korrelationskoeffizienten) (!Eine automatisch falsche Messung) (!Eine zusätzliche Antwortmöglichkeit im Quiz)
Welche Schlagzeile ist bei reinen Beobachtungsdaten am vorsichtigsten formuliert? (Häufige Bildschirmzeit hängt in der Stichprobe mit kürzerem Schlaf zusammen) (!Bildschirmzeit verursacht kurze Nächte) (!Smartphones zerstören den Schlaf) (!Die Daten beweisen die Wirkung von Bildschirmzeit)
Warum sollte man ein Streudiagramm zusätzlich zu einer Kennzahl betrachten? (Unterschiedliche Datenmuster können ähnliche Kennzahlen haben) (!Diagramme beweisen automatisch Kausalität) (!Eine Kennzahl ist immer falsch) (!Punkte im Diagramm zeigen nur Ursachen)
Eine Schule will wegen einer Korrelation sofort eine automatische Sperre einführen. Was ist der beste nächste Schritt? (Alternative Erklärungen, Folgen und Fairness prüfen) (!Die Regel sofort für alle einführen) (!Nur die höchste Korrelation betrachten) (!Alle anderen Informationen ignorieren)
Welche Frage stärkt Human Agency beim Einsatz von KI? (Welche Belege, Unsicherheiten und Folgen müssen Menschen vor der Entscheidung prüfen) (!Welche Entscheidung kann die KI ohne Prüfung übernehmen) (!Wie lässt sich menschliche Verantwortung vollständig vermeiden) (!Wie kann man jede Vorhersage als Ursache behandeln)
Eine Grafik zeigt nur einen kurzen Zeitraum, in dem zwei Kurven ähnlich verlaufen. Was solltest Du tun? (Einen längeren Zeitraum und die Datenquelle prüfen) (!Den sichtbaren Ausschnitt als Ursachenbeweis behandeln) (!Die Überschrift wichtiger als die Daten nehmen) (!Die ähnliche Form der Kurven als Beweis ansehen)
Memory
| Korrelation | statistischer Zusammenhang |
| Kausalität | Ursache bewirkt Wirkung |
| Drittvariable | gemeinsamer Einflussfaktor |
| Streudiagramm | Datenpaare als Punkte |
| Konfundierung | Vermischung von Einflüssen |
| Auswahlbias | verzerrte Datenauswahl |
| Vorhersagemodell | nutzt Muster für Prognosen |
| Quellenkritik | prüft Herkunft und Belege |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Korrelation | gemeinsames Muster in Daten |
| Kausalität | Ursache-Wirkungs-Beziehung |
| Drittvariable | alternative Erklärung durch einen weiteren Einfluss |
| Experiment | gezielte Veränderung unter kontrollierten Bedingungen |
| KI-Prognose | musterbasierte Vorhersage |
| Quellenkritik | Prüfung von Herkunft Methode und Darstellung |
Kreuzworträtsel
| Korrelation | Wie heißt ein statistischer Zusammenhang zwischen Merkmalen? |
| Kausalität | Wie heißt eine Beziehung von Ursache und Wirkung? |
| Drittvariable | Wie heißt eine weitere Größe, die zwei beobachtete Merkmale beeinflussen kann? |
| Streudiagramm | Wie heißt eine Darstellung, in der Datenpaare als Punkte erscheinen? |
| Koinzidenz | Wie heißt ein zufälliges gemeinsames Auftreten von Ereignissen? |
| Vorhersage | Was kann ein KI-Modell aus gelernten Mustern für neue Fälle erzeugen? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Schlagzeilencheck: Suche drei Schlagzeilen mit Wörtern wie „führt zu“, „verursacht“ oder „hängt zusammen“. Ordne jede Aussage als korrelativ oder kausal ein und begründe.
- Alltagskorrelation: Erfinde ein harmloses Beispiel für zwei Größen, die gemeinsam steigen könnten, ohne dass eine die andere direkt verursacht.
- Diagramm erklären: Wähle eines der Streudiagramme aus diesem Kurs und beschreibe das sichtbare Muster in eigenen Worten, ohne eine Ursache zu behaupten.
- Drittvariablen finden: Nenne zu „mehr Sport und bessere Stimmung“ drei mögliche Drittvariablen oder alternative Erklärungen.
Standard
- Medienvergleich: Vergleiche zwei Berichte über dieselbe Studie. Untersuche Überschrift, Wortwahl, Grafik und Stärke der Schlussfolgerungen.
- KI-Prüfkarte: Gestalte eine Karte mit den vier Fragen Muster, Daten, Alternativen und Entscheidung. Teste die Karte an einer erfundenen KI-Empfehlung.
- Faire Schulregel: Entwickle statt einer automatischen Sperre eine unterstützende Maßnahme für das Beispiel mit spätem Login. Begründe, warum sie fairer sein könnte.
- Manipulatives Diagramm: Entwirf zuerst absichtlich ein irreführendes Diagramm und gestalte danach eine faire Version derselben Daten. Erkläre die Unterschiede.
Schwer
- Mini-Untersuchung: Arbeite mit ungefährlichen, anonymen Klassendaten wie Papierflieger-Flugweite und Flügelbreite. Beschreibe Korrelationen und erkläre ausdrücklich, welche Kausalitätsaussagen nicht zulässig sind.
- Historische Ursachenanalyse: Wähle ein historisches Ereignis aus dem Unterricht und zeige, warum eine einzige Korrelation keine vollständige Ursache erklärt. Ordne mindestens drei Faktoren.
- Gemeinschaftskunde-Fall: Prüfe eine öffentliche Statistik zu Verkehr, Umwelt oder Bildung. Formuliere eine politische Empfehlung, die Unsicherheit und alternative Erklärungen sichtbar macht.
- KI-Bias-Audit: Entwirf für ein fiktives schulisches KI-System eine Prüfung der Trainingsdaten. Beschreibe, welche Gruppen fehlen könnten, welche Merkmale problematisch wären und wie Menschen eine Fehlentscheidung korrigieren können.
|
|
Lernkontrolle
- Transferfall Gesundheit: Eine Grafik zeigt, dass Jugendliche mit längerer Schlafdauer im Durchschnitt bessere Schulleistungen haben. Entwickle mindestens drei mögliche Erklärungsmodelle und erkläre, welche zusätzlichen Daten helfen würden, sie zu unterscheiden.
- Transferfall KI: Ein Vorhersagemodell markiert Lernende mit vielen Fehlversuchen als „Risiko“. Beurteile, warum diese Markierung gleichzeitig nützlich und unfair sein könnte, und schlage eine verantwortliche Nutzung vor.
- Transferfall Medien: Eine Nachricht behauptet „Neue App macht Jugendliche einsam“, die zugrunde liegende Studie berichtet aber nur eine Korrelation. Formuliere eine sachlich korrektere Überschrift und begründe Deine Änderung.
- Transferfall Grafik: Ein Diagramm zeigt einen starken Zusammenhang, enthält aber nur zwölf Datenpunkte. Erkläre, warum Du trotzdem vorsichtig urteilen solltest und welche weiteren Informationen Du verlangst.
- Transferfall Entscheidung: Eine Schule erwägt eine Regel auf Grundlage einer KI-Prognose. Entwickle ein Entscheidungsverfahren, das Datenqualität, alternative Ursachen, Fairness, Transparenz und eine menschliche Einspruchsmöglichkeit berücksichtigt.
- Transferfall neue Situation: Erfinde selbst ein Beispiel, in dem A und B korrelieren. Formuliere anschließend drei unterschiedliche Erklärungen: A verursacht B, B verursacht A und C beeinflusst beide.
Lernnachweis
Für einen Lernnachweis zu diesem Thema ist wichtig, dass Du nicht nur Begriffe wiederholen kannst. Du solltest an einem neuen Beispiel einen statistischen Zusammenhang beschreiben, eine unzulässige Kausalitätsbehauptung erkennen, mindestens eine alternative Erklärung entwickeln, die Qualität der Quelle prüfen und ein begründetes Urteil formulieren. Besonders wichtig ist außerdem, dass Du bei KI-basierten Vorhersagen zwischen Mustererkennung und Ursachenwissen unterscheidest, mögliche Verzerrungen benennst und erklärst, wie Menschen Verantwortung, Kontrolle und Einspruchsmöglichkeiten behalten.
Ein überzeugender Lernnachweis enthält deshalb eine klare Trennung von Beobachtung und Interpretation, eine nachvollziehbare Begründung, einen Hinweis auf Unsicherheit und eine faire Handlungsoption.
OERs zum Thema
Die im Kurs eingebundenen Wikimedia-Commons-Abbildungen sind über ihre jeweiligen Dateibeschreibungsseiten mit freien oder gemeinfreien Lizenzen dokumentiert. Besonders geeignet für eigene Unterrichtsmaterialien sind unter anderem Correlation examples2.svg, LinearRegression.svg, Ice cream and crime-causation.svg, Machine learning workflow diagram.png und EVA Lernen Training.svg. Bei eingebetteten YouTube-Videos gelten die jeweils auf der Plattform angegebenen Nutzungsbedingungen und Lizenzen.
Verknüpfte Lernbereiche